Fugu-MT 論文翻訳(概要): Approximate Differential Privacy of the $\ell

論文の概要: Approximate Differential Privacy of the $\ell_2$ Mechanism

arxiv url: http://arxiv.org/abs/2502.15929v1
Date: Fri, 21 Feb 2025 20:56:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-25 15:51:39.411909
Title: Approximate Differential Privacy of the $\ell_2$ Mechanism
Title（参考訳）: $\ell_2$メカニズムの近似微分プライバシー
Authors: Matthew Joseph, Alex Kulesza, Alexander Yu,
Abstract要約: 我々は、近似微分プライバシーの下で、$d$次元統計量と有界$ell$感度を計算するための$ell$メカニズムについて研究する。プライバシパラメータの範囲で、$ell$メカニズムはLaplaceやGaussianのメカニズムよりも低いエラーを得る。
参考スコア（独自算出の注目度）: 52.61055173572399
License:
Abstract: We study the $\ell_2$ mechanism for computing a $d$-dimensional statistic with bounded $\ell_2$ sensitivity under approximate differential privacy. Across a range of privacy parameters, we find that the $\ell_2$ mechanism obtains lower error than the Laplace and Gaussian mechanisms, matching the former at $d=1$ and approaching the latter as $d \to \infty$.
Abstract（参考訳）: 我々は、近似微分プライバシーの下で、$d$次元統計量の計算のための$\ell_2$メカニズムを、有界な$\ell_2$感度で研究する。プライバシパラメータの範囲内で、$\ell_2$メカニズムはLaplaceやGaussianのメカニズムよりも低いエラーを取得し、前者が$d=1$で、後者が$d \to \infty$に近づく。

関連論文リスト

Optimality of Matrix Mechanism on $\ell_p^p$-metric [6.076406622352115]
そのようなエラーを$(epsilon,delta)$-differential privacyで特徴づける。差分プライバシの下では、$ell_pp$エラーの点において、すべての定数$p$に対して、プレフィックス和とパリティクエリの応答に厳密な制限を与えます。
論文参考訳（メタデータ） (2024-06-04T09:27:35Z)
Smooth Sensitivity for Geo-Privacy [17.835910182900985]
微分プライバシーの局所モデル (LDP) は、この問題が研究されている主要なモデルである。 Geo-Privacy (GP) は、識別可能性のレベルが$mathrmdist(x_i, x_i')$に比例することを規定している。微分プライバシーからGeo-Privacyへのスムーズな感度フレームワークを一般化することで、与えられたインスタンスの硬さに合わせてノイズを加えることができます。
論文参考訳（メタデータ） (2024-05-10T08:32:07Z)
General Gaussian Noise Mechanisms and Their Optimality for Unbiased Mean Estimation [58.03500081540042]
プライベート平均推定に対する古典的なアプローチは、真の平均を計算し、バイアスのないがおそらく相関のあるガウスノイズを加えることである。すべての入力データセットに対して、集中的な差分プライバシーを満たす非バイアス平均推定器が、少なくとも多くのエラーをもたらすことを示す。
論文参考訳（メタデータ） (2023-01-31T18:47:42Z)
Contraction of Locally Differentially Private Mechanisms [8.547801169402923]
我々は、$PK$と$QK$の出力分布が$epsilon$-LDPメカニズムの$K$のばらつきに基づいて、厳密な境界を導出する。次に、これらの境界を利用して、バンツリーの不等式、ル・カム、アスード、および相互情報手法の局所的プライベートバージョンを確立する。
論文参考訳（メタデータ） (2022-10-24T16:38:12Z)
Faster Privacy Accounting via Evolving Discretization [54.32252900997422]
プライバシランダム変数の数値合成のための新しいアルゴリズムを提案する。本アルゴリズムは,メカニズムを自己コンパイルするタスクに対して,$mathrmpolylog(k)$の実行時間とメモリ使用量を達成する。
論文参考訳（メタデータ） (2022-07-10T04:25:37Z)
A unified interpretation of the Gaussian mechanism for differential privacy through the sensitivity index [61.675604648670095]
GMの一般的な3つの解釈、すなわち$(varepsilon, delta)$-DP, f-DP, R'enyi DPは1つのパラメータ$psi$で表現できる。 $psi$は、クエリの感度とノイズ摂動の大きさの2つの基本量をカプセル化することによって、GMとその特性を特徴付ける。
論文参考訳（メタデータ） (2021-09-22T06:20:01Z)
Locally differentially private estimation of nonlinear functionals of discrete distributions [9.028773906859541]
離散分布の非線形関数を局所的差分プライバシーの文脈で推定する問題について検討する。 alpha$-locally differentially private (LDP) サンプルのみが公開されているが、'local' という用語は、各$z_i$が1つの個々の$x_i$を使って生成されることを意味する。パワー和関数 $F_gamma = sum_k=1K p_kgamma$, $gamma > 0$ を $K, n の関数として推定する二次リスクの挙動を記述する。
論文参考訳（メタデータ） (2021-07-08T16:11:10Z)
Private Stochastic Convex Optimization: Optimal Rates in $\ell_1$ Geometry [69.24618367447101]
対数要因まで $(varepsilon,delta)$-differently private の最適過剰人口損失は $sqrtlog(d)/n + sqrtd/varepsilon n.$ です。損失関数がさらなる滑らかさの仮定を満たすとき、余剰損失は$sqrtlog(d)/n + (log(d)/varepsilon n)2/3で上界(対数因子まで)であることが示される。
論文参考訳（メタデータ） (2021-03-02T06:53:44Z)
A bounded-noise mechanism for differential privacy [3.9596068699962323]
ベクトル $vecx(i) の平均 $frac1nsum_i=1n vecx(i)$ を [0,1]k$ で出力し、任意の $vecx(i)$ に対してプライバシーを保持します。我々は、ほとんどの値$delta$に対して最適な$ell_infty$エラーを持つ$(epsilon,delta)$-privateメカニズムを示す。
論文参考訳（メタデータ） (2020-12-07T16:03:21Z)
Locally Private Hypothesis Selection [96.06118559817057]
我々は、$mathcalQ$から$p$までの総変動距離が最良の分布に匹敵する分布を出力する。局所的な差分プライバシーの制約は、コストの急激な増加を引き起こすことを示す。提案アルゴリズムは,従来手法のラウンド複雑性を指数関数的に改善する。
論文参考訳（メタデータ） (2020-02-21T18:30:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。